Foto: Mika Baumeister / Unsplash
IA
Alimentar o sistema de IA com PDF cujas tabelas foram achatadas em texto faz o modelo ligar números ao cabeçalho errado e responder com confiança
Pedro Toledo · 4 de novembro de 2026 · 3 min de leitura
Alimentar o sistema de IA com PDF cujas tabelas foram achatadas em texto faz o modelo ligar números ao cabeçalho errado e responder com confiança — porque a extração de texto do PDF perde a estrutura de linhas, colunas e células mescladas, e o modelo, ao receber uma sequência de valores sem a grade, preenche as relações por conta própria. Por que o PDF ter sido lido sem erro parecer prova de que o conteúdo chegou inteiro, o que caracteriza uma extração que preserva a tabela, e como perceber se os números estão sendo ligados aos rótulos corretos.
Ver o sistema de IA ler um PDF sem nenhum erro costuma parecer prova de que o conteúdo chegou inteiro. Perguntar valores específicos de tabelas e conferir com a página original revela se os números estão ligados aos rótulos certos.
Alimentar o sistema de IA com PDF cujas tabelas foram achatadas em texto faz o modelo ligar números ao cabeçalho errado e responder com confiança — porque a extração perde a estrutura de linhas e colunas.
Por que o PDF ter sido lido sem erro parece prova de que o conteúdo chegou inteiro
A ferramenta extrai o texto sem avisar de falhas, e o resultado parece completo. O que chega ao modelo, porém, é uma sequência de valores em que as relações entre cabeçalho, linha e coluna foram perdidas, e um número pode ficar sem rótulo ou com o rótulo de outra célula, sem que nada indique o problema.
O que caracteriza uma extração que preserva a tabela
Uma extração adequada mantém a estrutura, usa um formato que represente células mescladas e é conferida por amostragem. Isso tem relação direta com confiar num sistema de RAG sem revisar o gap semântico entre a pergunta do usuário e o vocabulário do documento — os dois casos apontam pro mesmo princípio de fundo: a qualidade da resposta de um sistema com busca em documentos depende de a informação certa chegar ao modelo da forma certa, seja o trecho recuperado, seja a estrutura da tabela preservada.
O que as fontes dizem e recomendam
Guias sobre RAG descrevem que achatar uma tabela destrói as relações entre cabeçalhos e valores, que células mescladas viram colunas desencontradas e que o modelo, diante de uma coluna sem rótulo, inventa um. As soluções citadas incluem pedir a saída em HTML, preencher células mescladas no pós-processamento, usar uma análise de melhor qualidade, recorrer a um modelo com visão e indexar resumos das tabelas. As fontes são, em geral, de fornecedores, sem comparação independente, e o teste com seus documentos é o que vale.
Como perceber se os números estão ligados aos rótulos corretos
A forma prática é escolher dez tabelas reais, perguntar valores específicos ("a linha X, coluna Y") e conferir com o PDF. Erros de coluna ou de linha, ou respostas confiantes sobre células vazias, mostram que a estrutura se perdeu, e vale testar um formato ou uma ferramenta de análise diferente pros documentos com tabelas complexas.
Um exemplo prático
Uma empresa usa IA pra responder perguntas sobre tabelas de preços em PDF, e o assistente informa o valor da coluna "Plano Pro" como se fosse do "Plano Básico" numa tabela com células mescladas. A equipe passa a extrair as tabelas em HTML, a preencher os cabeçalhos mesclados e a testar vinte perguntas de valores específicos contra o PDF antes de liberar um novo documento.
O ponto central
Antes de confiar numa resposta sobre uma tabela, vale conferir como a tabela chegou ao modelo. Um número sem o rótulo certo é pior que um número ausente, porque o modelo o apresenta com a mesma confiança.
